一种基于粒子群优化的FCM聚类方法

针对模糊C-均值(FCM)聚类算法易陷入局部极小值和对初始值敏感的缺点,本文提出了一种基于粒子群优化的模糊聚类算法.该算法利用粒子群强大的全局寻优能力,克服了模糊C-均值聚类算法的不足.实验结果表明,该算法具有很好的全局收敛性和较快的收敛速度.     

一种基于粒子群优化的FCM聚类方法

针对模糊C-均值（FCM）聚类算法易陷入局部极小值和时初始值敏感的缺点。本文提出了一种基于粒子群优化的模糊聚类算法。该算法利用粒子群强大的全局寻优能力,克服了模糊C-均值聚类算法的不足。实验结果表明,该算法具有很好的全局收敛性和较快的收敛速度。     

基于参数自适应粒子群模糊聚类的图像分割研究

传统模糊聚类算法初始值过多依赖先验知识，易陷入局部最优，而采用粒子群模糊聚类虽有所改善，但粒子群也存在陷入早熟收敛的情况。针对这一问题，提出一种基于参数自适应的粒子群模糊聚类算法APSO-FCM。首先采用自适应参数控制策略对粒子群算法进行改进，然后使用提出算法优化模糊聚类初始数目，接着使用新的模糊C均值聚类方法进行图像分割。实验结果表明，提出算法划分的图像效果得到改善，在划分系数、划分熵等图像分割指标上有进一步提升。     

改进粒子群结合K 均值聚类的图像分割算法

K 均值聚类的分类结果过分依赖于初始中心的选择且容易陷入局部最优。文中针对K 均值的缺陷,提出了一种基于随机权重粒子群和K 均值聚类的图像分割算法RWPSO KM。在算法开始,利用随机权重粒子群算法的全局搜索能力避免算法陷入局部最优。然后根据公式计算种群多样性执行K 均值算法,利用K 均值算法的局部搜索能力实现算法的快速收敛。实验结果表明, RWPSO KM与K 均值聚类和PSOK相比具有更好的分割效果和更高的分割效率。     

分数阶粒子群的模糊聚类图像分割算法研究

针对模糊C-均值聚类算法易受初始聚类中心的影响而陷入局部极值的缺陷,提出基于分数阶粒子群的模糊聚类图像分割算法。利用分数阶微积分容易跳出局部极值的固有优势,将其引入粒子群的速度、位置更新进程,同时改进分数阶阶次的自适应调整机制并引入步长控制因子。实验结果表明,该算法与传统算法相比,具有更高的分割精度与更快的收敛速度。     

基于粒子群优化非局部模糊聚类图像分割算法

为提高局部模糊聚类算法(WFLICM)对噪声图像 分割的抗噪性,克服模糊聚类图像分割算法对初 始聚类中心的敏感性及易陷入局部最优问题,在WFLICM算法的基础上提出一种基于粒子群 优化的融合 局部和非局部空间信息的模糊聚类图像分割算法(PSO-WMNLFCM)。首先,利用粒子群优化 算法的全局 寻优能力得到最优粒子,并以此粒子作为模糊聚类算法的初始聚类中心。其次,用像素的非 局部空间信息 替换模糊因子中的局部邻域值,产生新的目标函数。最后,由拉格朗日乘子法最小化目标函 数,得到隶属 度和聚类中心的更新公式,从而完成图像分割。仿真结果表明,PSO-WMNLFCM算法相比于 模糊局部聚 类(FLICM)算法、局部模糊权重(WFLICM)算法、非局部模糊聚类(NLFCM)算法、非局部模 糊聚类 (MNLFCM)算法、基于粒子 群的局部模糊聚类(PSO-FLICM)算法的划分系数提高了20.92%,20.51%,24.84%,1.44%,23.28%左右。     

一种改进的粒子群和K均值混合聚类算法

该文针对K均值聚类算法存在的缺点,提出一种改进的粒子群优化(PSO)和K均值混合聚类算法。该算法在运行过程中通过引入小概率随机变异操作增强种群的多样性,提高了混合聚类算法全局搜索能力,并根据群体适应度方差来确定K均值算法操作时机,增强算法局部精确搜索能力的同时缩短了收敛时间。将此算法与K均值聚类算法、基于PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,数据实验证明,该算法有较好的全局收敛性,不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和收敛速度都有显著提高。     

一种改进的核可能性C-均值聚类图像分割算法

可能性C-均值聚类(PCM)算法比传统模糊C-均值聚类算法具有更好的鲁棒性,但其应用于图像分割时没有充分考虑图像的局部空间信息。基于PCM算法,提出一种核空间与自适应中值滤波相结合的改进算法。算法利用自适应中值滤波获得像素的局部空间信息,并由此生成一种新的模糊因子加入到目标函数中,然后在核空间中对目标函数进行优化求解,得到最优聚类中心和隶属度。由实验结果可知,所提算法对被高椒盐噪声污染的图像具有较高的准确性和鲁棒性。     

基于动态粒子群优化与K-means聚类的图像分割算法

为了解决K-means聚类算法图像分割质量过度依赖于初始聚类中心选取,且易于陷入局部最优解等问题,提出一种基于动态粒子群优化(DPSO)与K-means聚类的图像分割算法(DPSOK)。通过动态调整惯性系数与学习因子来增强PSO算法的性能;然后计算粒子群适应度方差,找准切换至K-means算法时机;随后,将DPSO输出结果用来初始化K-means聚类中心,使其收敛至全局最优解;最后,通过最小化目标函数的多次迭代,使K-means的聚类中心不断更新,直到收敛。实验结果表明,DPSOK能有效提高K-means的全局搜索能力,在图像分割中它比K-means,PSO获得了更好的分割效果,且与粒子群优化和K-means算法相比,DPSOK算法具有更高的分割质量与效率。     

快速空间邻域信息的中智模糊聚类分割算法

为了克服传统的模糊C-均值聚类算法抗噪性能差的局限性,在中智模糊聚类基础上提出了一种新的基于邻域信息的中智模糊聚类图像分割算法.将中智集合引入模糊C-均值聚类算法,转化为一个优化问题.通过建立局部邻域信息约束的函数考虑像素之间的相互联系进行图像分割.通过对灰度图像添加不同的加性和乘性噪声进行分割测试,其测试结果表明,该算法得到的图像分割结果更稳定、边界更平滑且具有较强的噪声抑制能力.     

变长度微粒群优化模糊聚类的自适应图像分割方法

模糊C均值聚类(FCM.fuzzy c-means)图像分割方法,对初值选取较敏感,并且需要事先确定聚类数目.为此,提出了一种基于变长度微粒群算法(PSO,particle swarm optimization)优化PBMF模糊聚类的自适应图像分割方法.PBMF指标函数考虑了聚类数目和聚类中心,通过设计变长度PSO算法来实现PBMF指标函数的优化过程,并利用统计直方图将图像从像素窄间映射到灰度直方图特征空间,从而快速地获得图像的最佳聚类数日和聚类中心.对遥感图像的分割实验表明,该自适应分割策略具有全局搜索图像最佳聚类数月和聚类中心的能力,以及较强的抗噪能力.     

蛙跳结合模糊C-均值的图像分割算法

实现了基于混合蛙跳与模糊C-均值结合的图像分割算法。克服了由于FCM算法易受初始聚类中心和隶属度矩阵的影响而使图像分割效果不理想的缺陷。蛙跳算法（SFLA）是一种全新的后启发式群体优化算法,具有高效的计算性能和优良的全局搜索能力。实验表明：该方法与FPSO结合既提高了图像分割的效率又能得到更好的图像分割效果。     

基于新的遗传算法的模糊C均值聚类用于遥感图像分割

标准FCM对噪声十分敏感,并且依赖于初始聚类中心选择,算法通常得到的是局部最优解而非全局最优解。针对此问题提出一种基于猴王遗传算法的改进的FCM算法.猴王遗传算法是一种新颖的全局优化搜索算法,具有高效的计算性能和优良的全局搜索能力。本文首次将猴王遗传算法（MKGA）与结合空间领域信息的FCM相结合,利用改进的FCM算法的目标函数建立适应度函数,利用猴王遗传算法搜索全局最优解,代替FCM的基于梯度下降的迭代过程,从而有效地避免了模糊C-均值聚类算法收敛到局部最优和对噪声敏感的问题。在此基础上实现了对遥感图像的聚类分割。实验结果表明,该算法对于遥感图像显示了较好的分割效果和较强的抗噪能力。     

Fuzzy-based artificial bee colony optimization for gray image segmentation

In this article, we have proposed an image segmentation algorithm FABC, which is a kind of unsupervised classification (clustering), where we combine the concept of artificial bee colony optimization (ABC) and the popular fuzzy C means (FCM) and named it as fuzzy-based ABC or FABC. In FABC, we have used fuzzy membership function to search for optimum cluster centers using ABC. FABC is more efficient than other optimization techniques such as genetic algorithm (GA), particle swarm optimization (PSO) and expectation maximization (EM) algorithms. FABC overcomes the drawbacks of FCM as it does not depend on the choice of initial cluster centers and it performs better in terms of convergency, time complexity, robustness and segmentation accuracy. FABC becomes more efficient as it takes the advantage of the randomized characteristics of ABC for the initialization of the cluster centers. The experiments with FABC, GA, PSO and EM have been done over various grayscale images including some synthetic, medical and texture images, and segmentation of such images is very difficult due to the low contrast, noise and other imaging ambiguities. The efficiency of FABC is proven by both quantitative and qualitative measures.     

基于量子粒子群模糊C均值聚类算法应用研究

模糊C均值聚类对初始参数有着较强的依赖性,文中针对其对初始聚类中心敏感的问题,提出利用量子粒子群来优化FCM的初始聚类中心。粒子群优化算法具有较强的全局搜索能力,但局部搜索能力不足,因此借助于量子理论,将粒子群量子化,借助量子旋转门改变粒子的移动,同时利用量子非门增加种群的多样性,加强粒子群优化算法的局部寻优能力。并最终利用量子粒子群优化算法搜寻FCM算法的初始聚类中心,通过实验仿真表明,改进的算法在加快搜索速度的同时,能获得较为稳定的聚类中心且分割效果明显优于标准的FCM算法。     

融入局部信息的直觉模糊核聚类图像分割算法

针对传统直觉模糊C均值聚类(Intuitionistic Fuzzy C-means,IFCM)的图像分割算法对噪声和初始聚类中心敏感,导致聚类精度不高和迭代次数多的问题,提出一种结合局部信息的直觉模糊核聚类的图像分割算法。在该算法中,首先采用基于直方图的方法确定聚类中心初始值,解决算法对聚类中心的初始值敏感的问题;其次,利用核函数将待分类数据集映射到高维非线性空间,改善分类数据的线性可分性,同时在目标函数中引入局部灰度信息和局部空间信息,优化直觉模糊隶属度的计算方法,提高直觉模糊聚类的分类精度。实验结果表明,提出算法能减少迭代次数,提高聚类精度,能有效对图像进行分割;无论在对图像分割还是在聚类有效性上,提出算法都要优于传统的模糊聚类算法,如模糊C均值聚类(Fuzzy C-means,FCM)、模糊核均值聚类(Kernel-based fuzzy c-means,KFCM)）、引入空间信息的直觉模糊C均值聚类(Intuitionistic Fuzzy C-means with spatial constraints ,IFCM-S)、模糊空间聚类(Fuzzy Local Information C-means,FLICM）、直觉模糊C均值聚类(Intuitionistic Kernel-based Fuzzy C-means,IFKCM）等。      

基于蚁群算法的模糊C均值聚类的改进研究

在图像分割的研究中,模糊C均值(FCM)聚类算法较之前的硬聚类有了很大的改进,是一种基于函数最优方法的聚类算法,然而传统的FCM算法的聚类中心及个数难以确定,搜索过程易陷入局部最优。因此,提出一种基于蚁群算法的改进的FCM聚类算法。该算法利用了蚁群算法全局优化特征以及较强鲁棒性的特点,将通过蚁群算法得到的聚类中心及个数应用到传统FCM算法中,弥补了传统FCM聚类算法的不足。该算法对图像进行分块处理,并引入多尺度梯度,提高了图像分割的准确性,最后通过实验验证了该算法的有效性及实用性。     

基于近邻搜索花授粉优化的直觉模糊聚类图像分割

为克服传统模糊聚类算法应用于图像分割时,易受噪声影响,对聚类中心初始值敏感,易陷入局部最优,模糊信息处理能力不足等缺陷,该文提出基于近邻搜索花授粉优化的直觉模糊聚类图像分割算法。首先设计一种新颖的图像空间信息提取策略,进而构造融合图像空间信息的直觉模糊聚类目标函数,提高对于噪声的鲁棒性,提升算法处理图像中模糊信息的能力。为了优化上述目标函数,提出一种基于近邻学习搜索机制的花授粉算法,实现对于聚类中心的寻优,解决对于聚类中心初始值敏感,易陷入局部最优的问题。实验结果表明所提算法能在多种噪声图像上取得令人满意的分割效果。     

基于FCM的分块自适应图像分割方法研究

基于模糊C均值聚类（FCM）的图像分割是应用较为广泛的图像分割方法之一,但是传统的模糊C均值聚类算法都是基于欧氏距离的,对于图像中的噪声是十分敏感的。针对这一局限性,提出一种基于FCM的分块自适应图像分割方法。该方法不仅考虑了噪声不均匀分布对分割结果的影响,而且充分考虑了图像像素的灰度信息和空间信息。通过对含有噪声的自然图像和合成图像的分割试验,我们可以得到,与传统的FCM图像分割算法相比,本文方法能显著提高含有噪声图像的分割质量。